optimize line doc

Angel-ML · Aug 16, 2019 · 73c96ed · 73c96ed
1 parent 3019366
commit 73c96ed
Showing 1 changed file with 2 additions and 2 deletions.
diff --git a/docs/algo/sona/line_sona.md b/docs/algo/sona/line_sona.md
@@ -20,13 +20,13 @@ LINE算法是一个网络表示学习算法，也可以认为是针对图数据
 
 
 ## 2. 分布式实现
-LINE 目前有两个独立的实现版本LINE V1和LINE V2， 这两个版本各有优势和适用场景。一般情况下，建议适用LINE V2版本。
+LINE 目前有两个独立的实现版本LINE V1和LINE V2， 这两个版本各有优势和适用场景。**一般情况下，建议使用LINE V2版本**。
 
 LINE V1的实现参考了Yahoo的论文[[2]](https://arxiv.org/abs/1606.08495), 将Embedding向量按维度拆分到多个PS上，节点之间的点积运算可以在每个PS内部进行局部运算，之后再拉取到spark端合并。Spark端计算每个节点的梯度，推送到每个PS去更新每个节点对应的向量维度。 它的优势在于避免了传输模型导致的大量网络IO，适用于节点编码向量维度较高的场景，如果节点向量维度较低，它就不合适了。因为LINE V1有如下限制：节点编码维度必须是模型分区个数的整数倍，这限制了模型分区的个数和计算并发度。
 
 ![line_structure](../../img/line_structure.png)
 
-LINE V2采用完全不同的实现方式：它使用节点id范围划分模型，没有分区个数限制，同时它需要将模型拉取回executor本地进行计算，因此会产生大量的网络通信开销，不适合节点编码维度高的场景。LINE V2中加入了许多容灾措施，因此更加的稳定。内部业务实测数据表明，在节点编码维度不是很高的情形下（例如128维），LINE V2性能是LINE V1性能的5倍以上。
+LINE V2采用完全不同的实现方式：它使用节点id范围划分模型，没有分区个数限制，同时它需要将模型拉取回executor本地进行计算，因此会产生大量的网络通信开销，不适合节点编码维度高的场景。LINE V2中加入了许多容灾措施，因此更加的稳定。内部业务实测数据表明，在节点编码维度不是很高的情形下（例如128维），LINE V2性能是LINE V1性能的**5倍以上**。
 
 
 ## 3. 运行